本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
现在，目标检测界明星模型YOLO，最新v5版本也可以在手机上玩儿了！
瞧～只需要区区几十毫秒，桌上的东西就全被检测出来了：
这速度似乎不比电脑差？
想要亲手搭建一个？上教程。
在安卓手机上部署YOLOv5
更确切的说是YOLOv5s。
YOLOv5于2020年5月发布，最大的特点就是模型小，速度快，所以能很好的应用在移动端。
而且其实最开始YOLOv5就是作为一款对图像进行检测、分类和定位的iOS端APP进入人们的视野，而且APP还是由YOLOv5的作者亲自开发。
现在，想要在安卓设备上部署它，你需配备的环境如下：
- 主机 Ubuntu18.04
- Docker
Tensorflow 2.4.0
PyTorch 1.7.0
OpenVino 2021.3
- 安卓APP
Android Studio 4.2.1
minSdkVersion 28
targetSdkVersion 29
TfLite 2.4.0
- 安卓设备
小米11 (内存 128GB/ RAM 8GB)
操作系统 MUI 12.5.8
然后直接下载作者在GitHub上的项目。
git clone —recursive https://github.com/lp6m/yolov5s_android
使用Docke容器进行主机评估（host evaluation）和模型转换。
cd yolov5s_android docker build ./ -f ./docker/Dockerfile -t yolov5s_android docker run -it —gpus all -v pwd:/workspace yolov5s_anrdoid bash
将app文件夹下的./tflite\u model/*.tflite复制到app/tflite\u yolov5\u test/app/src/main/assets/目录下，就可在Android Studio上构建应用程序。
构建好的程序可以设置输入图像大小、推断精度和模型精度。
如果选择其中的“Open Directory”，检测结果会被保存为coco格式的json文件。
从摄像头进行实时检测模式已将精度和输入图像大小固定为int8/320，该模式在小米11达到的图像帧数为15FPS。
由于本项目是作者参加的一个”Yolov5s Export”竞赛（并且最终得了奖，奖金还是2000美元），所以他也进行了性能评估。
评估包括延时和准确度。
- 延迟时间
在小米11上测得，不包含预处理/后处理和数据传输的耗时。
结果如下：
不管模型精度是float32还是int8，时间都能控制在250ms以内，连半秒的时间都不到。
△ float32
△ int8
大家可以和YOLOv5在电脑上的性能对比：
- 准确度
各种模式下的mAP(mean Average Precision)值最高为28.5，最低也有25.5。
最后，详细教程可戳下方链接；如果你只想试玩，作者也在上面提供了安卓安装包～
项目地址：
https://github.com/lp6m/yolov5s_android
